Actualités IA — page 250

9 335 articles au fil, du plus récent au plus ancien.

60

Illustration générée par IA

4981Le Big Data 

Free, Orange et EDF s’allient pour créer une AI Gigafactory en France

Le 20 mai 2026, huit grands groupes français ont annoncé la création du consortium AION pour porter la candidature de la France au programme européen des AI Gigafactories. Parmi eux : Iliad (la maison mère de Free), Orange, EDF, Capgemini, Scaleway, Ardian, Artefact et Bull. L'objectif est de construire une infrastructure capable d'héberger, d'entraîner et de déployer des modèles d'intelligence artificielle à très grande échelle, entièrement sur sol européen. Chaque membre apporte une brique stratégique : Bull fournit les supercalculateurs haute performance, EDF sécurise l'approvisionnement en électricité bas carbone, Orange et Scaleway assurent le cloud et l'hébergement des données, tandis que Capgemini et Artefact se concentrent sur l'intégration de l'IA en entreprise. Iliad et Ardian apportent le capital et l'expertise numérique pour soutenir un projet de très long terme. Le consortium peut également s'appuyer sur un écosystème plus large incluant Hugging Face, INRIA, Nokia, LightOn et Schneider Electric. L'enjeu est direct : aujourd'hui, l'essentiel de la puissance de calcul utilisée pour entraîner les grands modèles d'IA repose sur des infrastructures américaines, Microsoft, Google, Amazon. Pour les entreprises françaises et européennes des secteurs sensibles comme la santé, l'industrie ou les services publics, cette dépendance pose des problèmes concrets de souveraineté des données et de conformité réglementaire. Une gigafactory IA en France offrirait une alternative crédible, d'autant que le mix énergétique français, nucléaire et hydraulique, produit une électricité moins carbonée et plus stable que dans beaucoup de pays européens. Or les infrastructures IA consomment des volumes d'énergie colossaux, ce qui fait de l'accès à une énergie abondante et décarbonée un avantage compétitif aussi déterminant que les semi-conducteurs. Le consortium indique par ailleurs vouloir privilégier les technologies open source pour éviter de recréer des dépendances aux solutions propriétaires. Ce projet s'inscrit dans une dynamique européenne plus large : la Commission européenne a lancé son programme AI Gigafactories pour doter le continent d'infrastructures capables de rivaliser avec celles des États-Unis et de la Chine, dans un contexte où la course aux modèles génératifs et aux agents IA s'accélère. La France, qui abrite déjà des acteurs de premier plan comme Mistral AI et Hugging Face, tente de transformer cet avantage écosystémique en infrastructure physique souveraine. AION devra encore préciser le calendrier de déploiement et les montants d'investissement engagés, mais la mobilisation de groupes aussi diversifiés, télécoms, énergie, cloud, conseil, finance, signal que la France mise sur une approche de filière plutôt que sur un champion unique pour peser dans la prochaine phase de l'IA industrielle.

Infrastructure❧Opinion

Aussi surMaddyness,Next INpact

43

Illustration générée par IA

4982Le Big Data 

Seedance 2.0 : Comment créer des vidéos TikTok avec l’IA ?

Seedance 2.0, la nouvelle version du générateur vidéo IA développé par ByteDance, s'est imposée comme un outil de référence pour la création de contenu vertical destiné à TikTok. La mise à jour introduit deux avancées majeures : un moteur de mouvement de caméra piloté par prompt textuel, et un système de cohérence de personnage capable de mémoriser les traits faciaux, vêtements et détails graphiques d'un sujet d'une scène à l'autre. Concrètement, le créateur intègre des commandes comme « Zoom », « Pan » ou « Tilt » directement dans sa description textuelle, et le modèle génère automatiquement des séquences animées au format 9:16, sans studio ni équipe de production. Une image de référence ou un identifiant suffit pour que le système reproduise un personnage avec une précision quasi identique sur plusieurs épisodes. Ces fonctionnalités répondent à deux problèmes chroniques des créateurs de contenu sur TikTok : la qualité visuelle insuffisante des outils accessibles au grand public, et l'incohérence visuelle qui brise la narration dans les formats sériels. Jusqu'ici, maintenir l'apparence d'un personnage entre plusieurs séquences générées par IA nécessitait un travail manuel fastidieux ou des compétences techniques avancées. Seedance 2.0 automatise ce processus, ce qui ouvre la création de storytelling long terme à des créateurs solo, sans budget de production. Pour les marques et les créateurs qui construisent une identité visuelle sur la plateforme, l'outil permet de standardiser un univers graphique cohérent à grande échelle, un avantage compétitif direct dans un environnement où l'attention se gagne en moins d'une seconde. Seedance s'inscrit dans une course effrénée entre les grandes plateformes et startups à proposer des générateurs vidéo IA crédibles : Sora d'OpenAI, Veo de Google, Kling, Runway ou encore Pika Labs occupent le même terrain. ByteDance, maison mère de TikTok, dispose d'un avantage structurel évident : sa connaissance intime des formats qui performent sur sa propre plateforme et l'accès à des données d'entraînement massives issues des millions de vidéos publiées chaque jour. La version 2.0 marque une montée en gamme délibérée vers les créateurs professionnels et semi-professionnels, avec un positionnement qui cherche à dépasser le statut d'outil expérimental pour devenir un composant réel du workflow de production. La question qui reste ouverte est celle des droits : à mesure que ces outils génèrent des personnages de plus en plus réalistes et persistants, les enjeux juridiques autour de la ressemblance, du consentement et de la propriété des identités numériques vont inévitablement s'intensifier.

Création⚒Outil

1 source

49

Illustration générée par IA

4983Le Big Data 

Mistral AI se renforce dans l’industrie européenne avec le rachat de Emmi AI

Mistral AI a annoncé l'acquisition d'Emmi AI, une startup autrichienne fondée à Linz et spécialisée dans la modélisation de phénomènes physiques complexes, flux d'air, transfert thermique, contraintes mécaniques sur les matériaux. Le montant de la transaction n'a pas été divulgué, mais l'opération est considérée comme l'une des plus significatives de l'écosystème européen de l'IA cette année. Emmi AI avait levé 15 millions d'euros en 2025, la plus importante levée de fonds jamais réalisée en Autriche dans le secteur de l'intelligence artificielle. Ses équipes, réparties entre l'Autriche, l'Allemagne et la Lituanie, rejoignent désormais Mistral. La société française prévoit d'ouvrir un bureau officiel à Linz, qui s'ajoutera à ses hubs existants à Paris, Londres et Munich. Cette acquisition donne à Mistral AI une capacité inédite en Physics AI, des modèles capables de comprendre et simuler le comportement du monde physique en temps réel. Pour les industriels des secteurs des semi-conducteurs, de l'automobile ou de l'aérospatiale, cela ouvre la voie à des jumeaux numériques plus précis, à des simulations accélérées et à une réduction significative des coûts de R&D. Mistral dispose déjà de modèles analysant les lignes de production pour détecter des défauts ou piloter des bras robotisés ; l'intégration des technologies d'Emmi doit rendre ces systèmes plus fiables dans leurs interactions avec des environnements physiques contraignants. L'enjeu est aussi de proposer aux industriels européens une alternative souveraine aux plateformes américaines, dont la dépendance est de plus en plus perçue comme un risque stratégique. Le rachat s'inscrit dans un contexte de montée en puissance de l'IA industrielle comme priorité politique en Europe. La Commission européenne considère le secteur manufacturier comme un pilier de sa stratégie d'autonomie technologique, et plusieurs États membres accélèrent leurs investissements dans ce domaine. Mistral AI, valorisé à plusieurs milliards d'euros après ses dernières levées de fonds, consolide ainsi son positionnement face aux géants américains comme Google, Microsoft ou OpenAI, qui investissent massivement dans les mêmes usages verticaux. En s'ancrant davantage en Europe centrale avec des engagements en Autriche, en Allemagne et en Lituanie, le groupe français envoie un signal clair : la compétition pour l'IA industrielle se jouera aussi sur la capacité à retenir les talents et à construire des infrastructures de recherche hors des États-Unis.

Business❧Opinion

1 source

54

Illustration générée par IA

4984AI News 

La puce Vera de Nvidia, le pari à 200 milliards de dollars que Jensen Huang veut mettre en avant

Nvidia a publié mercredi ses résultats du premier trimestre fiscal avec un chiffre d'affaires de 81,62 milliards de dollars, dépassant les 78,86 milliards attendus par les analystes. La guidance pour le deuxième trimestre est fixée à 91 milliards, là encore au-dessus des 86,84 milliards anticipés par Wall Street. Mais lors de la conférence avec les analystes, le PDG Jensen Huang a mis en avant un élément stratégique souvent éclipsé par les chiffres trimestriels : le processeur Vera. Huang estime que cette puce CPU ouvre un marché adressable de 200 milliards de dollars, entièrement distinct du marché d'un billion de dollars déjà projeté pour les GPU Blackwell et Rubin entre 2025 et 2027. Il prévoit que les revenus issus de Vera atteindront 20 milliards de dollars d'ici la fin de l'exercice fiscal en cours, ce qui en ferait le deuxième poste de revenus de l'entreprise. La plateforme complète Vera Rubin, combinant le CPU Vera avec les GPU Rubin, doit être lancée plus tard cette année. La mise sur Vera répond à une menace structurelle sur le segment de l'inférence. Google, Amazon et Microsoft devraient investir collectivement plus de 700 milliards de dollars dans l'infrastructure IA cette année, contre environ 400 milliards en 2025, mais développent simultanément leurs propres puces maison pour faire tourner les modèles d'IA à grande échelle. Les TPU de Google, Trainium d'Amazon, ainsi que les offres d'Intel et AMD positionnent désormais sérieusement leurs processeurs sur l'inférence, le maillon où la domination GPU de Nvidia est la plus exposée. Entraîner de grands modèles reste le terrain de chasse exclusif de Nvidia, mais générer des réponses en temps réel et à l'échelle, c'est là que la concurrence fait son chemin. La puce Vera a été développée en partie grâce à une technologie issue de Groq, une startup spécialisée dans l'inférence, dans le cadre d'un accord de licence estimé à environ 17 milliards de dollars. L'enjeu immédiat reste l'approvisionnement. Huang a reconnu sans détour que Nvidia sera probablement en tension sur les stocks durant toute la durée de vie de la plateforme Vera Rubin. Pour anticiper, les engagements d'approvisionnement de l'entreprise ont bondi à 119 milliards de dollars au premier trimestre, contre 95,2 milliards le trimestre précédent. Nvidia a également annoncé un programme de rachat d'actions de 80 milliards de dollars et relevé son dividende trimestriel de 1 centime à 25 cents par action. Malgré ces signaux de confiance, le titre a reculé de 1,6 % en after-hours : les analystes estiment que les performances record sont désormais intégrées dans le cours. La vraie question est de savoir si Nvidia peut convaincre que la dynamique de dépenses en IA restera solide jusqu'en 2027 et 2028, dans un contexte où les géants du cloud bâtissent activement des alternatives à ses GPU.

Infrastructure❧Opinion

Aussi surLe Big Data

45

Illustration générée par IA

4985Latent Space 

GPT-next d'OpenAI réfute le problème des distances unitaires planaires d'Erdős pour moins de 1 000 dollars

OpenAI a annoncé début mai 2026 qu'un modèle interne, vraisemblablement une version intermédiaire de GPT-5, surnommée GPT-5.6, a réfuté une conjecture mathématique vieille de 80 ans : le problème des distances unitaires planes, posé par le mathématicien hongrois Paul Erdős en 1946. Le modèle a produit ce résultat en moins de 32 heures de calcul, pour un coût estimé à moins de 1 000 dollars. Concrètement, il a découvert une nouvelle famille de constructions géométriques qui dépasse les meilleures solutions connues basées sur les grilles carrées. Le raisonnement généré s'étend sur environ 125 pages, avec un passage en page 39 qui a particulièrement attiré l'attention de la communauté mathématique. Il s'agit techniquement d'une réfutation, pas d'une preuve, ce qui, selon les auteurs, rend le résultat légèrement moins spectaculaire qu'il aurait pu être, mais significatif malgré tout. Ce qui frappe les observateurs, c'est que le modèle utilisé n'est pas un système spécialisé comme AlphaProof ou un prouveur formel de type Lean, mais un LLM généraliste. Le mathématicien Timothy Gowers, médaille Fields 1998, a qualifié ce résultat de "premier exemple vraiment clair" où une IA résout un problème mathématique ouvert de renom. Le chercheur d'OpenAI Hongxun Wu y voit une démonstration de capacités de raisonnement sur des "problèmes de la plus haute difficulté". L'implication est importante : si un modèle généraliste peut progresser sur des problèmes ouverts en géométrie discrète, le même type de raisonnement pourrait s'appliquer à d'autres domaines scientifiques, biologie, physique, chimie computationnelle. OpenAI a précisé que le modèle n'a pas été poussé à ses limites et sera mis à disposition du public. Ce résultat s'inscrit dans une dynamique plus large autour du calcul à l'inférence : l'idée que donner plus de temps de réflexion à un modèle, plutôt que d'entraîner un modèle plus grand, est le levier dominant du progrès actuel. La longueur inhabituelle du raisonnement produit (125 pages) illustre précisément cette approche. En parallèle, Cohere a publié cette même semaine Command A+, son premier modèle entièrement open source sous licence Apache 2.0 : 218 milliards de paramètres en architecture MoE avec 25 milliards actifs, multimodal, compatible 48 langues, et capable de tourner sur seulement deux GPU H100 en quantification W4A4. Les benchmarks le placent au niveau de Claude 4.5 Haiku avec de bonnes performances en évitement des hallucinations, mais en retrait sur le raisonnement scientifique et le code par rapport aux modèles de tête. Ces deux annonces confirment une semaine de mai 2026 particulièrement dense pour l'IA de frontière.

Recherche❖Paper

1 source

42

Illustration générée par IA

4986MarkTechPost 

Un seul modèle, trois modalités : ByteDance lance Lance pour comprendre, générer et éditer images et vidéos

L'équipe de recherche de ByteDance a publié Lance, un modèle d'intelligence artificielle capable de comprendre, générer et modifier des images et des vidéos au sein d'une seule et même architecture. Présenté dans un article de recherche disponible sur arXiv, Lance organise ses capacités autour de trois familles de sorties : texte, images et vidéos. Côté compréhension, il prend en charge la description d'images et de vidéos, les questions-réponses visuelles, la reconnaissance optique de caractères et le raisonnement visuel. Côté génération, il couvre la création d'images et de vidéos à partir de texte, la conversion image-vers-vidéo, la génération guidée par un sujet, et l'édition cohérente multi-tours sur les deux modalités. Le modèle repose sur une architecture de 3 milliards de paramètres initialisée depuis Qwen2.5-VL 3B de Alibaba, et intègre le codec vidéo 3D causal VAE de Wan2.2, également développé par ByteDance. Réunir compréhension et génération dans un seul modèle représente un défi technique de premier ordre, car les deux tâches tirent dans des directions opposées : la compréhension requiert des représentations sémantiques compactes alignées sur le langage, tandis que la génération exige des représentations continues à bas niveau pour préserver textures, géométrie et dynamiques temporelles. La plupart des systèmes existants contournent cette tension en séparant les deux blocs puis en les connectant après coup. Lance est l'un des rares modèles à les unifier nativement dès l'entraînement, grâce à une architecture à double flux de type mixture-of-experts : un expert dédié à la compréhension (LLMUND) et un expert dédié à la génération (LLMGEN), partageant le même contexte d'entrée sans se concurrencer sur les mêmes paramètres. Pour les professionnels du multimédia, des plateformes de contenu ou des développeurs d'outils créatifs, cette convergence ouvre la voie à des pipelines considérablement simplifiés. Le principal obstacle architectural résidait dans la coexistence de types de tokens hétérogènes au sein d'une même séquence : tokens textuels, tokens visuels sémantiques produits par le encodeur ViT de Qwen2.5-VL, et tokens latents continus issus du VAE avec un sous-échantillonnage spatial de 16× et temporel de 4×. Le positionnement rotatif standard en 3D (3D-RoPE) ne permettait pas de distinguer ces groupes, créant des ambiguïtés de frontières préjudiciables à l'alignement entre tâches. ByteDance a introduit MaPE (Modality-Aware Rotary Positional Encoding), qui applique un décalage temporel fixe à chaque groupe de modalité selon son ordre dans la séquence, tout en laissant les coordonnées spatiales intactes. Lance s'inscrit dans une course plus large entre les grands laboratoires asiatiques et occidentaux pour produire des modèles visuels unifiés : des approches similaires ont été explorées par Google avec Gemini et par des équipes académiques, mais peu ont démontré une couverture aussi complète du cycle image-vidéo dans un seul modèle entraîné conjointement.

Recherche❖Paper

1 source

38

Illustration générée par IA

4987Le Big Data 

Comment l’apprentissage automatique redéfinit la fidélisation des joueurs dans le secteur des jeux d’argent en ligne ?

Les plateformes de jeux d'argent en ligne s'appuient désormais sur des algorithmes d'apprentissage automatique pour analyser le comportement de leurs utilisateurs et personnaliser chaque session. Ces systèmes collectent quatre types de données clés : le jeu favori du joueur, la durée moyenne de ses sessions, les montants habituellement misés et les horaires de connexion. À partir de ces paramètres, l'IA construit un profil comportemental individuel qui sert de base à toute la stratégie de fidélisation. Le catalogue de jeux proposé à chaque utilisateur, machines à sous, tables de poker, tournois de roulette, sessions de blackjack, est ainsi trié et mis en avant selon ces préférences détectées automatiquement. L'enjeu pour les opérateurs est considérable : une recommandation pertinente augmente le temps passé sur la plateforme et le sentiment de reconnaissance ressenti par le joueur, ce qui renforce mécaniquement la rétention. Le système fonctionne de manière autonome, sans intervention humaine à chaque interaction, et s'actualise en continu au fil des nouvelles données générées par l'utilisateur. Pour les casinos en ligne, cette personnalisation à grande échelle remplace les approches marketing généralistes par un ciblage individuel quasi chirurgical, réduisant le taux de désengagement et allongeant la durée de vie client. Pour les joueurs, l'expérience semble sur mesure, ce qui crée une adhérence psychologique difficile à rompre. Ces mêmes algorithmes sont également déployés à des fins de prévention des risques : lorsque les schémas de mise s'écartent soudainement des habitudes enregistrées, le système déclenche une alerte transmise aux équipes de modération, qui peuvent alors intervenir pour limiter les dépenses excessives. Ce double usage de la technologie, maximiser l'engagement d'un côté, identifier les comportements compulsifs de l'autre, reflète une tension réglementaire croissante dans le secteur. En Europe, plusieurs juridictions imposent désormais aux opérateurs des outils de détection du jeu problématique, ce qui pousse les plateformes à intégrer la protection du joueur directement dans leurs pipelines de données. La frontière entre fidélisation commerciale et manipulation psychologique reste cependant un sujet de débat actif entre régulateurs, associations de santé publique et acteurs de l'industrie.

Éthique❧Opinion

1 source

44

Illustration générée par IA

4988Le Big Data 

Ask YouTube et Ask Maps : La fin de la recherche par mots-clés est-elle actée ?

Google a officiellement présenté "Ask YouTube" lors de sa conférence Google I/O le 19 mai 2026, une fonctionnalité qui transforme la recherche sur la plateforme vidéo en expérience conversationnelle. Alimentée par Gemini, l'IA maison de Google, elle permet aux utilisateurs de formuler des requêtes en langage naturel, comme "des avis de créateurs sur des jeux relaxants avant de dormir" ou "comment apprendre à un enfant à faire du vélo", plutôt que de saisir des mots-clés isolés. En réponse, le système propose une sélection de vidéos pertinentes, y compris des Shorts, accompagnée de résumés textuels structurés. L'utilisateur peut ensuite affiner sa recherche par questions successives, dans une logique de dialogue continu. La fonctionnalité est actuellement en test limité aux abonnés américains de YouTube Premium âgés de plus de 18 ans, avec un lancement prévu aux États-Unis dès l'été 2026 avant une extension progressive à d'autres pays. Cette évolution dépasse le simple confort d'utilisation : elle redéfinit la relation entre l'utilisateur et le moteur de recommandation de YouTube, qui est déjà le deuxième site le plus visité au monde. L'une des fonctions les plus significatives est la capacité de l'IA à pointer directement vers le passage exact d'une vidéo contenant la réponse recherchée, évitant ainsi de parcourir des tutoriels de vingt minutes pour trouver trente secondes d'information utile. Cette technologie, déjà déployée dans Google Search, est ici appliquée à la vidéo à grande échelle. Pour les créateurs de contenu, cela modifie aussi les règles du jeu : la visibilité ne dépendra plus seulement des titres et des tags optimisés, mais de la pertinence sémantique du contenu au sein même des vidéos. Ask YouTube s'inscrit dans une stratégie plus large de Google visant à intégrer Gemini dans l'ensemble de ses produits phares. Ask Maps, lancé en mars 2026, avait ouvert la voie en permettant des conversations avec l'IA directement depuis Google Maps sans interrompre la navigation. Ces deux déploiements signalent une rupture assumée avec la recherche par mots-clés, modèle dominant depuis plus de vingt ans. Google fait face à une pression croissante de la part de concurrents comme Perplexity, ChatGPT Search ou encore Bing, qui ont tous misé sur la recherche conversationnelle. En intégrant cette logique au sein de plateformes déjà massivement adoptées, Mountain View cherche à conserver sa domination sans forcer les utilisateurs à changer d'habitudes, la transition se faisant dans les outils qu'ils utilisent déjà quotidiennement.

Outils⚒Outil

1 source

42

Illustration générée par IA

4989FrenchWeb 

PIVOT lève 40 M$ pour le pilotage financier IA

L'article fourni est tronqué après le premier paragraphe d'introduction, ce qui limite les faits concrets disponibles. Voici ce que je peux produire à partir du contenu transmis : --- La startup PIVOT vient de boucler une levée de fonds de 40 millions de dollars pour transformer en profondeur la manière dont les entreprises pilotent leurs finances à l'aide de l'intelligence artificielle. L'ambition affichée dépasse le simple outillage des équipes achats : PIVOT entend positionner sa plateforme comme une infrastructure stratégique à part entière, au même titre que les ERP et les systèmes de consolidation comptable qui structurent aujourd'hui les directions financières. L'enjeu est considérable. Pendant des années, les logiciels de gestion des achats ont été relégués au rang d'outils administratifs secondaires, utiles pour valider des demandes internes ou suivre les fournisseurs, mais sans prise réelle sur les décisions financières. En intégrant l'IA au coeur du pilotage budgétaire, PIVOT parie que ces fonctions peuvent devenir prédictives et décisionnelles, offrant aux DAF une visibilité en temps réel sur les engagements de dépenses et les risques fournisseurs. Cette levée s'inscrit dans une vague de refinancement des outils financiers B2B par l'IA, dans laquelle des acteurs comme Coupa, Zip ou Spendesk se livrent une concurrence intense. Le marché du spend management représente plusieurs dizaines de milliards de dollars à l'échelle mondiale, et la capacité à automatiser l'analyse des contrats, la détection d'anomalies ou les prévisions de trésorerie devient un avantage concurrentiel décisif pour conquérir les grandes entreprises. --- Note : l'article source est tronqué avant les détails clés (investisseurs, produit exact, clients). Si tu as accès au texte complet, je peux affiner avec des faits précis.

Business⚡Actu

1 source

45

Illustration générée par IA

4990Le Big Data 

IA et performance : le verdict de l’indice mondial Fivetran

Fivetran a publié en 2026 son indice mondial de maturité des pipelines de données, et les résultats sont sans appel : si 60 % des organisations à l'échelle mondiale investissent massivement dans l'IA agentique, avec des budgets estimés à plusieurs dizaines de millions d'euros, seules 15 % d'entre elles disposent réellement d'une infrastructure de données suffisamment solide pour faire fonctionner ces systèmes en production. En France, ce chiffre tombe à 12 %, soit parmi les plus faibles des pays étudiés. George Fraser, PDG de Fivetran, pointe une erreur de diagnostic commune : les entreprises investissent dans les modèles et les interfaces, mais négligent la plomberie informatique qui les alimente. Résultat : des agents autonomes déployés sur des pipelines instables, incapables de fournir des données fiables en temps réel. L'enjeu dépasse largement la performance technique. Contrairement à l'IA générative classique qui produit du texte à la demande, l'IA agentique prend des décisions et exécute des tâches en autonomie, ce qui exige une traçabilité complète et des données de qualité à chaque instant. Or, près de 40 % des professionnels interrogés dans l'étude identifient deux blocages majeurs : l'absence de traçabilité, qui empêche de comprendre l'origine des erreurs quand un agent dérape, et les contraintes réglementaires de souveraineté des données, qui freinent les déploiements à grande échelle. Ces failles de gouvernance transforment les projets pilotes en impasses opérationnelles, avec des risques économiques et réputationnels concrets pour les organisations concernées. Gartner va plus loin en avertissant que plus de la moitié des initiatives d'IA agentique pourraient être abandonnées faute de préparation adéquate des systèmes sous-jacents. Ce rapport intervient dans un contexte d'accélération généralisée des budgets IA, où la pression sur les directions informatiques pour livrer des résultats visibles est maximale. Les entreprises les plus avancées dans leur déploiement partagent une caractéristique commune : elles ont misé sur des architectures interopérables, capables de communiquer entre différents systèmes sans dépendre d'un fournisseur unique, ce que l'industrie appelle l'évitement du "vendor lock-in". Pour les responsables data, cette capacité d'intégration est désormais un critère éliminatoire dans le choix des solutions. La leçon que tire Fivetran de cet indice est claire : la priorité de 2026 n'est plus l'acquisition de nouveaux outils d'IA, mais la consolidation et la fiabilisation des flux de données qui les alimentent. Sans cette fondation, les ambitions agentiques resteront, pour la plupart des organisations, des promesses sur slides.

Infrastructure⚡Actu

1 source

42

Illustration générée par IA

4991Le Big Data 

LinkedIn : fin des posts qui puent l’IA, le grand ménage a commencé

LinkedIn a annoncé qu'il allait limiter la visibilité des publications générées par intelligence artificielle sur sa plateforme. Concrètement, la société ne supprimera pas ces contenus, mais réduira leur diffusion algorithmique : un post détecté comme générique aura moins de chances d'être recommandé au-delà du cercle proche de son auteur. Pour identifier ces contenus, LinkedIn travaille avec ses équipes éditoriales sur des outils capables d'analyser plusieurs signaux afin de distinguer les textes qui apportent un vrai point de vue de ceux qui enchaînent les phrases lisses sans valeur réelle. La même logique s'appliquera aux commentaires automatisés, ces réponses qui se contentent de répéter le contenu du post sans la moindre réflexion. Selon Laura Lorenzetti, représentante de LinkedIn, l'IA reste acceptable pour peaufiner une tournure de phrase, mais les publications doivent continuer à refléter la personnalité et l'expérience de leur auteur. Les premiers tests internes seraient encourageants : les systèmes parviendraient à reconnaître les contenus génériques dans 94 % des cas. L'enjeu est significatif pour une plateforme dont le modèle repose sur l'authenticité des échanges professionnels. Quand les fils d'actualité se remplissent de textes structurés à l'identique, formulés avec la même fausse profondeur et commentés par des bots eux-mêmes générés, la valeur de signal du réseau s'effondre. Les utilisateurs passent à côté des vraies expertises, des retours d'expérience concrets et des informations utiles. LinkedIn mise également sur la vérification des profils pour contenir la progression des faux comptes alimentés par l'IA, la plateforme revendique aujourd'hui plus de 100 millions de membres vérifiés, un levier qu'elle entend renforcer pour freiner le flot de contenus automatisés. Cette initiative s'inscrit dans un mouvement plus large qui touche l'ensemble des grandes plateformes. Meta et YouTube développent eux aussi des outils pour détecter et limiter les contenus artificiels, chacun confronté à la même tension : l'IA générative a drastiquement réduit le coût de production de contenu, au point de saturer les algorithmes de recommandation de textes sans substance. Pour LinkedIn, le défi est particulièrement délicat : la plateforme a elle-même intégré des fonctionnalités d'assistance à la rédaction basées sur l'IA, et doit maintenant tracer une ligne entre l'usage légitime, améliorer un brouillon, et la génération en masse de publications interchangeables. La prochaine étape sera de voir si ses détecteurs résistent à l'escalade prévisible, les outils de contournement se développant généralement aussi vite que les systèmes de détection.

Société❧Opinion

1 source

41

Illustration générée par IA

4992MarkTechPost 

Forward Deployed Engineer : le poste IA que recrutent OpenAI, Anthropic et Google en 2026

En 2026, OpenAI, Anthropic et Google recrutent massivement des ingénieurs dits "Forward Deployed Engineers" (FDE), un profil hybride entre développeur et consultant opérationnel, inventé par Palantir au début des années 2010. Contrairement à un consultant classique qui produit des rapports et des recommandations, un FDE s'intègre directement dans l'environnement technique du client, écrit du code réel et reste jusqu'à ce que le système tourne en production. Palantir a forgé ce modèle dès 2003, quand ses ingénieurs ont dû travailler physiquement au sein des agences de renseignement américaines pour construire des systèmes adaptés à des données fragmentées et des workflows imprévisibles. Jusqu'en 2016, l'entreprise comptait plus de FDE que d'ingénieurs logiciels traditionnels, une proportion rarissime dans le secteur tech. En bourse, Palantir s'est introduit le 30 septembre 2020 à un prix de référence de 7,25 dollars l'action, a frôlé les 39 dollars début 2021 avant de tomber à 6 dollars fin 2022, puis a validé son modèle avec une croissance des revenus de 85% en glissement annuel au premier trimestre 2026. Le regain d'intérêt pour ce rôle révèle une faille structurelle dans le déploiement de l'IA en entreprise. Selon le rapport "State of AI in Business 2025" du MIT NANDA, 95% des projets pilotes d'IA générative en entreprise n'ont aucun impact business mesurable. Le problème n'est pas la qualité des modèles, mais leur déploiement. Le modèle SaaS classique, adapté à un CRM ou un outil de gestion de projet, bute sur un double angle mort dans l'IA : les équipes du client connaissent leur métier, leurs schémas de données et leurs contraintes réglementaires, mais ignorent comment les LLM se comportent en production. Les ingénieurs des labos IA maîtrisent le prompting, le RAG et les modes de défaillance à l'échelle, mais ne connaissent pas le métier du client. Un FDE est le seul profil capable de tenir les deux bouts simultanément et de livrer quelque chose qui fonctionne réellement. Ce modèle, longtemps perçu comme trop coûteux et peu scalable, est aujourd'hui réhabilité par les résultats financiers de Palantir et la frustration croissante des entreprises face à leurs projets IA qui n'aboutissent pas. L'origine du concept est elle-même révélatrice : Palantir s'est inspiré des grands restaurants français, où le personnel de salle est profondément intégré à la cuisine et autorisé à corriger le client qui commande mal. Cette philosophie, appliquée au déploiement logiciel, devient un avantage compétitif à mesure que les systèmes d'IA gagnent en complexité. Le fait qu'OpenAI, Anthropic et Google adoptent ce modèle en 2026 signale une rupture dans la manière dont l'industrie de l'IA conçoit la mise en production, et ouvre un nouveau front de compétition autour du talent capable de faire le pont entre recherche et réalité opérationnelle.

Business❧Opinion

1 source

37

Illustration générée par IA

4993Le Big Data 

Robot moonwalk façon Michael Jackson : le fiasco

Une vidéo devenue virale le 20 mai 2026 montre un robot humanoïde s'effondrer sur scène en pleine démonstration de danse, devant un public en direct. La machine avait été mise en scène pour interpréter quelques pas sur "Billie Jean" de Michael Jackson, le titre emblématique sorti en 1982. Les premières secondes sont convaincantes : le robot balance les bras, enchaîne quelques mouvements rythmés et tente même une ébauche de moonwalk. Puis la scène bascule. L'humanoïde heurte une marche sur le plancher de la scène, vacille, semble se stabiliser, le public retient son souffle. Puis, quelques secondes plus tard, il retourne exactement au même endroit, percute à nouveau le même obstacle et s'effondre lourdement, immobile, avant d'être évacué hors scène. Ce type d'incident illustre un problème structurel que l'industrie robotique peine encore à résoudre : l'écart entre la performance scénarisée et l'adaptabilité réelle. Les démonstrations virales de robots donnent souvent l'impression d'une maîtrise presque humaine de l'espace et du mouvement. En réalité, ces séquences reposent la plupart du temps sur des routines préprogrammées exécutées dans des conditions parfaitement contrôlées. Une marche sur une scène, un objet déplacé de quelques centimètres, un obstacle non prévu dans le code : il suffit d'un seul élément inattendu pour que les limites apparaissent sans ambiguïté. Ce n'est pas un problème de puissance de calcul ni de mécanique, mais de perception et d'adaptation en temps réel à un environnement non modélisé. La robotique humanoïde avance à un rythme soutenu depuis quelques années, portée par des acteurs comme Boston Dynamics, Figure AI, Agility Robotics ou encore Unitree, qui multiplient les démonstrations spectaculaires. Mais la plupart des cas d'usage concrets restent limités à des environnements industriels très structurés, où chaque variable est anticipée. Déployer un robot dans un espace quotidien, qu'il s'agisse de ranger des objets épars, de naviguer dans une maison ou de réagir à une foule, reste un défi considérable. Les investissements dans le secteur atteignent des montants records, plusieurs milliards de dollars levés en 2024-2025 rien qu'aux États-Unis, mais la promesse d'un robot véritablement autonome face à l'imprévu reste encore hors de portée. Cette chute sur scène, anecdotique en apparence, résume en quelques secondes le principal obstacle du domaine.

Robotique❧Opinion

1 source

47

Illustration générée par IA

4994arXiv cs.RO 

VLA-REPLICA : un benchmark reproductible et économique pour l'évaluation réelle des modèles vision-langage-action (VLA)

Une équipe de recherche vient de publier VLA-REPLICA (arXiv:2605.20774, mai 2026), un banc d'évaluation réel, bas coût et reproductible, conçu pour tester les modèles de type Vision-Language-Action (VLA) sur des tâches de manipulation robotique. L'architecture repose entièrement sur des composants disponibles dans le commerce, ce qui permet à n'importe quel laboratoire d'assembler le setup en quelques jours et de reproduire les mêmes conditions expérimentales. Le benchmark intègre une suite de tâches de manipulation variées, un dataset de démonstrations de petite taille pour l'adaptation au domaine cible, ainsi que des protocoles d'évaluation distincts pour des scénarios en distribution et hors distribution. Les expériences menées couvrent l'apprentissage par imitation classique et plusieurs modèles VLA de l'état de l'art, avec des résultats cohérents obtenus sur des setups construits indépendamment dans différents sites. L'enjeu derrière VLA-REPLICA est directement lié à un problème structurel du secteur : l'évaluation réelle des modèles VLA reste fragmentée, coûteuse, et difficile à comparer d'un labo à l'autre. Les benchmarks en simulation ne capturent pas la complexité du monde physique, tandis que les benchmarks réels existants exigent souvent du matériel spécialisé onéreux ou une évaluation centralisée. Ce benchmark vise à combler ce fossé en fournissant une infrastructure standardisée et décentralisée, ce qui est une condition nécessaire pour que la communauté puisse comparer honnêtement les modèles et identifier leurs limites réelles, notamment face au sim-to-real gap qui affecte encore la plupart des politiques de manipulation. Les modèles VLA ont connu une montée en puissance rapide ces deux dernières années, avec des systèmes comme pi-0 de Physical Intelligence, GR00T N2 de NVIDIA, ou OpenVLA issu des travaux de Stanford et Berkeley. Malgré des performances impressionnantes en démo, leur déploiement industriel reste freiné par l'absence de protocoles d'évaluation partagés et comparables. VLA-REPLICA s'inscrit dans un mouvement plus large de standardisation des benchmarks robotiques, comparable à ce qu'ont représenté BOP ou NIST Task Board pour d'autres sous-domaines. La prochaine étape logique serait l'adoption de ce protocole par plusieurs équipes tier-1 pour valider la reproductibilité à grande échelle et créer une baseline commune sur laquelle ancrer les publications futures.

Recherche❖Paper

1 source

44

Illustration générée par IA

4995arXiv cs.RO 

VLANeXt : recettes pour construire des modèles VLA performants

Une équipe de chercheurs a publié VLANeXt, un modèle Vision-Language-Action (VLA) qui surpasse l'état de l'art sur les benchmarks LIBERO et LIBERO-plus, deux références standards pour l'évaluation de politiques robotiques généralisables. Le papier (arXiv 2602.18532v2), loin de se limiter à une nouvelle architecture, repose sur une étude systématique de l'espace de conception des VLA, structurée en trois axes: les composants fondamentaux, les éléments de perception, et la modélisation des actions. Partant d'une baseline inspirée de RT-2, les auteurs identifient 12 résultats clés formant une recette reproductible pour construire des modèles VLA performants. Le code est publié en open source sur GitHub pour permettre à d'autres équipes de reproduire les expériences et d'itérer sur cette base commune. L'apport principal de ce travail n'est pas le modèle lui-même, mais la méthode. Le domaine des VLA souffre d'un problème structurel: chaque groupe publie son propre modèle avec des protocoles d'entraînement et des setups d'évaluation incompatibles, rendant toute comparaison rigoureuse impossible. VLANeXt impose un cadre unifié qui permet enfin d'isoler quelles décisions de conception ont un effet mesurable sur les performances. Pour les équipes R&D travaillant sur des politiques robotiques généralisables, les 12 findings donnent des règles pratiques sur le choix du backbone VLM, le traitement des entrées visuelles et la tête de prédiction d'actions. La validation en conditions réelles renforce la crédibilité des résultats, même si les détails des expériences physiques restent parcellaires dans l'abstract. Les VLA émergent de la convergence entre grands modèles multimodaux et robotique incarnée. RT-2 (Google DeepMind, 2023) a été le précurseur, montrant qu'un VLM pré-entraîné pouvait piloter un robot réel après fine-tuning. Une vague de travaux a suivi: pi-0 (Physical Intelligence), OpenVLA, Octo, RoboFlamingo. Face à cette prolifération, VLANeXt propose un point de stabilisation méthodologique plutôt qu'une course aux performances brutes. Aucun déploiement industriel n'est annoncé à ce stade, il s'agit d'un travail académique dont la valeur tient à la rigueur comparative. Les prochaines étapes naturelles seraient une validation sur des benchmarks plus exigeants comme BridgeV2 ou DROID, et une adoption par des équipes travaillant sur des plateformes physiques commerciales.

Recherche❧Opinion

1 source

42

Illustration générée par IA

4996arXiv cs.RO 

PointACT : des modèles vision-langage-action (VLA) avec interaction multi-échelle point-action

Une équipe de chercheurs a soumis en mai 2026 sur arXiv (2605.21414) PointACT, un modèle VLA (Vision-Language-Action) dual-système qui intègre des représentations 3D par nuages de points directement dans le processus de décodage d'actions. Contrairement aux VLAs existants quasi-exclusivement fondés sur des représentations visuelles 2D, PointACT couple un backbone vision-langage préentraîné à un mécanisme d'interaction multi-échelle point-action utilisant une attention fenêtrée bottleneck. Évalué sur les benchmarks LIBERO et RLBench, le modèle améliore le taux de réussite de 10 points de pourcentage sur la suite RLBench-10Tasks par rapport aux VLAs de l'état de l'art. Les gains sont encore plus importants lorsque le backbone est gelé et que l'expert d'action est entraîné from scratch, ce qui suggère une forte modularité de l'architecture. Ce résultat valide une hypothèse longtemps débattue : coupler des représentations géométriques 3D hiérarchiques avec des représentations sémantiques 2D préentraînées est essentiel pour un contrôle robot spatialement ancré. Pour les intégrateurs et les décideurs industriels, cela pointe vers un angle mort structurel des VLAs génériques actuels (OpenVLA, pi-0, GR00T N2) sur les tâches de manipulation de précision : saisie d'objets minces, assemblage, tri serré. La progression de +10% sur RLBench-10Tasks est significative dans un domaine où les gains se mesurent souvent en points uniques. Les études d'ablation confirment que c'est le couplage serré des deux modalités, et non le simple ajout d'un nuage de points, qui génère la performance. Les VLAs à backbone vision-langage dominent la manipulation généraliste depuis 2023, avec OpenVLA (UC Berkeley), pi-0 (Physical Intelligence) et GR00T N2 (NVIDIA) comme références sectorielles. Tous partagent la même limitation héritée : une représentation 2D du monde. PointACT s'inscrit dans un courant moins médiatisé qui cherche à injecter de la géométrie 3D dans ces pipelines, aux côtés de travaux comme RoboPoint. L'étape critique restante est de valider ces architectures hors simulation, sur des capteurs bruités réels (RGB-D, LiDAR), pour confirmer si les gains tiennent face au gap sim-to-real. Ce preprint n'a pas encore été évalué par les pairs.

Robotique❧Opinion

1 source

42

Illustration générée par IA

4997arXiv cs.RO 

SUGAR : cadre d'apprentissage généralisable et extensible pour la loco-manipulation humanoïde par vidéos humaines

Des chercheurs présentent SUGAR (Scalable hUman-video-driven GenerAlizable humanoid loco-manipulation leaRning), un framework publié en préprint sur arXiv (arXiv:2605.20373, mai 2026), conçu pour entraîner des robots humanoïdes à des tâches de loco-manipulation à partir de vidéos humaines non structurées, sans ingénierie de récompenses propre à chaque tâche. Le pipeline se décompose en trois étapes : extraction automatisée de priors cinématiques (trajectoires humain-objet et labels de contact) depuis des vidéos brutes ; raffinement physique via un mimic reward unifié et un progressive state pool qui transforment ces priors imparfaits en mouvements physiquement cohérents ; puis distillation dans une politique hiérarchique composée d'un générateur et d'un suiveur de commandes. Le système a été évalué sur six tâches de loco-manipulation, en simulation et sur matériel humanoïde réel, avec transfert zero-shot vers le monde physique, récupération autonome après échec, et robustesse aux perturbations externes. L'enjeu central est la scalabilité : là où la téléopération humaine, méthode utilisée par Figure AI, Apptronik ou 1X, reste coûteuse et difficile à industrialiser, SUGAR exploite le corpus massif de vidéos humaines disponibles. Le verrou technique était que les priors cinématiques extraits de ces vidéos sont intrinsèquement bruités (occlusions, artefacts de contact, erreurs de retargeting) et inutilisables en l'état pour l'apprentissage. L'étape de raffinement physique est ici la contribution principale. Le fait que la performance scale clairement avec le volume de données vidéo est un résultat significatif : il oriente la recherche vers l'augmentation de données plutôt que l'ingénierie manuelle de récompenses, un changement de paradigme pour les équipes travaillant sur des humanoïdes généralistes. SUGAR s'inscrit dans la vague de contrôle humanoïde piloté par les données, en concurrence directe avec les approches VLA de Physical Intelligence (Pi-0), Google DeepMind, et Nvidia (GR00T N2). Le sim-to-real zero-shot revendiqué reste le défi emblématique du secteur ; les auteurs affirment l'atteindre de manière fiable avec récupération autonome des échecs, mais la sélection de seulement six tâches de démonstration mérite d'être notée. À ce stade, il s'agit d'un résultat académique sans timeline de déploiement commercial : les limites immédiates concernent la diversité des tâches et des environnements testés, qui conditionneront la généralisation à des déploiements industriels réels.

Robotique❖Paper

1 source

42

Illustration générée par IA

4998arXiv cs.RO 

Demo-JEPA : architecture prédictive à enchâssement conjoint pour l'imitation inter-robots en une seule démonstration

Une équipe de chercheurs publie Demo-JEPA (arXiv:2605.20811, mai 2026), un cadre d'imitation robotique inter-morphologies fondé sur une architecture prédictive à représentation jointe (JEPA). L'approche s'attaque au problème du "cross-embodiment" : permettre à un robot d'apprendre depuis des démonstrations réalisées par un humain ou un robot aux cinématiques radicalement différentes. Plutôt que de copier les actions du démonstrateur, Demo-JEPA infère l'état cible que celui-ci cherchait à atteindre. Le système traduit des démonstrations visuelles brutes en trajectoires latentes futures dans un espace de représentation partagé ; l'agent cible planifie ensuite vers ces sous-objectifs via sa propre dynamique forward apprise par interaction. Les évaluations sur le benchmark RLBench et des tâches de manipulation réelles montrent que Demo-JEPA égale des planificateurs entraînés sur la même morphologie et généralise à des configurations inédites où les méthodes antérieures échouent. L'impact pour les équipes de robotique est potentiellement significatif. Les approches d'imitation existantes requièrent soit un espace d'action commun, soit des heuristiques de retargeting cinématique, soit de larges corpus multi-morphologies cotraînés, comme ceux mobilisés par Physical Intelligence pour pi-0 ou par NVIDIA pour GR00T N2. Demo-JEPA ramène le problème à deux ingrédients : des vidéos de démonstration (humain ou autre robot) et l'expérience propre de l'agent cible. L'aspect "one-shot" revendiqué mérite une nuance : il s'agit d'une seule démonstration par tâche, pas d'un système zéro-shot sans calibration préalable. Reste que la capacité à généraliser à des morphologies non vues lors de l'entraînement représente un pas concret vers des pipelines plus flexibles, où un même corpus vidéo pourrait alimenter des flottes hétérogènes. L'architecture JEPA est issue des travaux de Yann LeCun chez Meta : au lieu de prédire des pixels, elle prédit des représentations latentes compressées, ce qui la rend plus robuste aux détails visuels non pertinents pour la tâche. Dans le paysage du cross-embodiment, les approches dominantes sont actuellement la coformation à grande échelle (RDT-1B, OpenVLA) et le retargeting cinématique par heuristiques. Demo-JEPA propose une troisième voie, plus frugale en données supervisées. L'article demeure un preprint non validé par les pairs, sans partenariat industriel ni timeline de déploiement annoncés.

Robotique❧Opinion

1 source

41

Illustration générée par IA

4999arXiv cs.RO 

Manipulation corps entier des humanoïdes via un cerveau spatial actif et un cervelet d'action généralisable

Des chercheurs ont publié le 27 mai 2026 un preprint (arXiv:2605.21133) présentant un framework de loco-manipulation pour robots humanoïdes baptisé ASB-GAC, articulé autour de deux modules distincts. Le premier, Active Spatial Brain (ASB), assure la perception spatiale active et la planification de tâches en décomposant les objectifs en sous-tâches. Le second, Generalizable Action Cerebellum (GAC), traduit ces décisions en commandes moteur exécutables sur robot réel. L'approche s'appuie sur des grands modèles multi-agents pour orchestrer perception et génération d'actions. Les auteurs ont conçu un jeu de tâches de manipulation spatiale dépassant le cadre classique de la table rase, couvrant des environnements 3D avec des relations spatiales variées, et mesurent les performances sur deux axes : compréhension spatiale et exécution physique réelle. Le point saillant de ce travail est l'affirmation que GAC génère des actions robot exécutables sans données réelles spécifiques à chaque tâche, ce qui s'attaque directement au goulot d'étranglement majeur du secteur : collecter des trajectoires sur robot physique coûte cher et ne se généralise pas. Si la validité de cette approche se confirme au-delà des benchmarks maison, cela pourrait réduire significativement le cycle de développement pour les intégrateurs cherchant à déployer des humanoïdes sur des tâches variées d'entrepôt ou d'assemblage. Toutefois, le preprint ne fournit pas de métriques de cycle time, de taux de succès détaillés ni de comparaisons quantitatives directes avec des baselines comme pi0 (Physical Intelligence) ou GR00T N2 (NVIDIA), ce qui limite l'évaluation indépendante des claims de généralisation. Ce travail s'inscrit dans une dynamique de recherche très active sur la manipulation whole-body, où la fracture entre simulation et réalité reste un verrou central. Des acteurs comme Figure AI avec Figure 03, Tesla avec Optimus Gen 3, ou Physical Intelligence avec pi0 ont tous investi massivement dans la collecte de données réelles pour combler ce fossé. L'approche sim-to-real et l'utilisation de VLA (Vision-Language-Action models) comme vecteur de généralisation sont aujourd'hui les deux grandes stratégies concurrentes. Ce preprint propose une troisième voie par décomposition hiérarchique via LLM multi-agents, mais sans nom d'entreprise, sans robot cible identifié, et sans annonce de pilote industriel : il s'agit pour l'instant d'un résultat académique à surveiller avant tout transfert vers le terrain.

Robotique❖Paper

1 source

46

Illustration générée par IA

5000The Information AI 

Nvidia bat tous les records et SpaceX vise des horizons illimités

Nvidia a publié mercredi des résultats trimestriels qui dépassent une fois de plus les attentes les plus optimistes. Sur le premier trimestre de son exercice fiscal 2027, couvrant le mois d'avril, le géant des puces pour l'intelligence artificielle a enregistré une croissance de ses revenus de 85 % par rapport à la même période de l'année précédente. Plus impressionnant encore, la société prévoit une accélération à 95 % pour le trimestre suivant. La trésorerie générée illustre cette puissance industrielle : le free cash flow du seul trimestre s'élève à 48,6 milliards de dollars, soit la moitié de ce que Nvidia avait produit sur l'ensemble de l'exercice 2026. Ces chiffres témoignent d'une demande en puces IA qui ne montre aucun signe de ralentissement, portée par les investissements massifs des hyperscalers comme Microsoft, Google ou Amazon dans leurs infrastructures de calcul. L'accélération de la croissance, qui passe de 66 % l'an dernier à 85 % puis à un objectif de 95 %, suggère que le pic de ce cycle d'investissement n'a pas encore été atteint. Pour l'industrie technologique, Nvidia s'impose chaque trimestre davantage comme une infrastructure critique, au même titre que les réseaux électriques pour l'économie traditionnelle. Pourtant, la journée du mercredi a été dominée par une autre nouvelle : SpaceX a officiellement déposé ses documents d'introduction en bourse, rendant publique pour la première fois la structure financière de l'entreprise d'Elon Musk. L'opération est attendue comme la plus grande IPO de l'histoire des marchés américains, et les médias financiers suivent chaque étape depuis des mois. OpenAI prépare également sa propre entrée en bourse. Ces deux échéances pourraient redéfinir les valorisations de référence pour les entreprises d'IA et de technologie spatiale, dans un contexte boursier particulièrement attentif aux actifs liés à l'intelligence artificielle.

Business⚡Actu

1 source